近年来,个性化的习题推荐一直是教育领域的重要研究课题,习题推荐通常分为两个过程,一是根据学生的做题记录来了解学生的知识点掌握情况,二是根据学生的知识点掌握情况结合相关学习策略为学生推荐合适的习题,以达到帮助学生学习的目的。根据学生的特点为学生个性化地推荐习题,可以提高学生学习效率,提升学生的知识水平,也可以帮助学生探索新的知识,复习遗忘的知识点。这对帮助学生更好地掌握、探索、学习与巩固知识点都有着重要的意义。习题推荐算法的进一步发展主要面临两个问题:第一,大量的用户行为数据已经成为推荐系统的前提和重要组成部分,推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣。对于进入系统的新用户或者刚加入系统的习题,由于用户-习题交互较少,便会产生冷启动问题,进而影响推荐的结果,冷启动推荐一直是一个具有挑战性的问题。第二,目前主要的习题推荐策略一般是通过对资源进行评分和排序,或者依赖专家根据经验进行制定,但这种方式往往效率较低,同时难以根据学生学习情况和习题难度来为学生调整推荐方向,并且没有考虑推荐习题结果的多样性,使得推荐效果不好。因此,针对第一个问题,本文以最新解决冷启动推荐问题的模型为基础,融合图卷积神经网络（GCN）,提出了Meta HIN-GCN模型。该模型同时利用了模型层面元学习和数据层面异构信息网络来解决冷启动问题。模型将用户-习题-知识点构建成异构信息网络并增加边权信息来丰富数据层面的信息,同时采用GCN来对用户信息进行嵌入,最大程度保留异构图结构的信息,并采用语义增强任务构造器和共同适应元学习器来捕获在元学习环境中基于异构信息网络的语义,进而学习适应多层面语义的一般知识。最后在不同元路径下的预测学生的习题正确概率,并根据注意力机制对元路径结果的进行融合,将合适的习题推荐给学生。针对第二个问题,本文通过引入习题难度、多样性和准确度指标,制定个性化习题推荐策略,根据模型对学生的预测,推荐难度符合预设难度的习题给学生,同时考虑了多样性,在推荐过程中保证推荐习题结果的多样性,令整体的推荐效果更好,推荐结果比原排名推荐的方式更优异、更具可解释性。实验方面,在验证冷启动问题上,本文将数据合理分为多种冷启动场景进行不同的实验验证,保证结果的可靠性和效果的优越性,同时进行参数相关实验,优化调整模型参数,并且与传统推荐模型,异构信息网络模型以及其他冷启动推荐模型进行对比,将本模型的结果进行验证。在习题推荐策略方面,也与目前广泛应用的习题推荐模型进行实验,引入习题难度参数,采取准确度和多样性为指标,对比各项指标的结果的差异和突出性,验证本文模型的推荐效果。